Redis統(tǒng)計(jì)訪問量的3種實(shí)現(xiàn)方式

更新時(shí)間：2025年06月10日 09:39:47 作者：Java程序員擁抱ai

這篇文章主要介紹了Redis統(tǒng)計(jì)訪問量的3種實(shí)現(xiàn)方式,具有很好的參考價(jià)值,希望對大家有所幫助,如有錯(cuò)誤或未考慮完全的地方,望不吝賜教

一、你是否遇到過這些統(tǒng)計(jì)難題？

高并發(fā)場景下內(nèi)存爆炸：用Hash統(tǒng)計(jì)日活時(shí)，單鍵內(nèi)存占用飆升到10MB？
獨(dú)立訪客重復(fù)計(jì)數(shù)：用戶多次訪問被重復(fù)統(tǒng)計(jì)，導(dǎo)致UV數(shù)據(jù)虛高？
近似值誤差過大：百萬級PV統(tǒng)計(jì)時(shí)，誤差率超過5%？

這些問題，Redis的3種核心方案能幫你解決！

二、方案一：Hash結(jié)構(gòu)實(shí)時(shí)統(tǒng)計(jì)

適用場景：

實(shí)時(shí)統(tǒng)計(jì)獨(dú)立用戶（如日活/周活）
需要精確計(jì)數(shù)（如商品點(diǎn)擊次數(shù)）

核心代碼：

# 場景：記錄用戶訪問時(shí)間戳（防重復(fù)計(jì)數(shù)）
pipeline.hset("user:visits:202310", user_id, time.time())
pipeline.expire("user:visits:202310", 86400)  # 每天清理一次

# 統(tǒng)計(jì)當(dāng)前活躍用戶數(shù)
current_uv = redis.hlen("user:visits:202310")

參數(shù)說明：

hset：哈希表存儲用戶ID和最后訪問時(shí)間
expire：自動(dòng)清理過期數(shù)據(jù)，避免內(nèi)存泄漏
痛點(diǎn)解決：通過時(shí)間戳去重，精確統(tǒng)計(jì)獨(dú)立用戶

內(nèi)存優(yōu)化技巧：

問題：10萬用戶ID存儲需約100KB * 10^5 = 10GB
方案：使用user_id:md5縮短鍵名，內(nèi)存占用可降低至**<1MB/萬用戶**

三、方案二：BitMap統(tǒng)計(jì)獨(dú)立訪客

適用場景：

億級用戶規(guī)模的UV統(tǒng)計(jì)
內(nèi)存敏感場景（如單機(jī)統(tǒng)計(jì)全站訪問量）

核心代碼：

# 場景：統(tǒng)計(jì)本月訪問過的用戶（假設(shè)用戶ID為整數(shù)）
user_id = 123456
redis.setbit("uv:202310", user_id, 1)

# 獲取本月UV總數(shù)
total_uv = redis.bitcount("uv:202310")

參數(shù)說明：

setbit：將用戶ID對應(yīng)位設(shè)為1，每個(gè)用戶僅占1bit內(nèi)存
bitcount：統(tǒng)計(jì)所有置位位數(shù)，時(shí)間復(fù)雜度O(1)

內(nèi)存對比：

方法	100萬用戶內(nèi)存占用	精度
Hash	~100MB	100%
BitMap	~125KB	100%

四、方案三：HyperLogLog估算UV

適用場景：

超大規(guī)模近似統(tǒng)計(jì)（如全網(wǎng)日活）
可接受誤差的場景（誤差率<0.8%）

核心代碼：

# 場景：統(tǒng)計(jì)全站日活（誤差率0.5%）  
redis.pfadd("uv:202310", user_id)
estimated_uv = redis.pfcount("uv:202310")

參數(shù)說明：

pfadd：將用戶ID加入HyperLogLog結(jié)構(gòu)
pfcount：返回近似值，內(nèi)存占用僅<1KB/百萬用戶

性能對比：

方法	1000萬用戶內(nèi)存	統(tǒng)計(jì)誤差
BitMap	1.25MB	0%
HyperLogLog	<1KB	0.5%

五、實(shí)戰(zhàn)選擇指南

對比表格：

方案	內(nèi)存占用	精度	適用場景
Hash	中（MB級）	100%	小規(guī)模精確統(tǒng)計(jì)
BitMap	極低（KB級）	100%	大規(guī)模精確去重
HyperLogLog	超低（KB級）	<1%	超大規(guī)模近似統(tǒng)計(jì)